Moving average seasonality

Amplifier Bergerak Rata-rata Amplop Rata-rata Bergerak Pendahuluan Amplop Rata-rata Bergerak adalah amplop berbasis persentase yang ditetapkan di atas dan di bawah rata-rata bergerak. Rata-rata bergerak, yang menjadi basis indikator ini, bisa menjadi rata-rata bergerak sederhana atau eksponensial. Setiap amplop kemudian menetapkan persentase yang sama di atas atau di bawah rata-rata bergerak. Ini menciptakan band paralel yang mengikuti aksi harga. Dengan moving average sebagai base, Moving Average Envelopes dapat digunakan sebagai indikator trend berikut. Namun, indikator ini tidak terbatas hanya mengikuti tren berikut. Amplop juga bisa digunakan untuk mengidentifikasi tingkat jenuh beli dan jenuh jual bila trennya relatif datar. Perhitungan Perhitungan untuk Moving Average Envelopes lurus ke depan. Pertama, pilih rata-rata bergerak sederhana atau rata-rata bergerak eksponensial. Simple moving averages weight setiap titik data (harga) sama. Rata-rata pergerakan eksponensial memberi bobot lebih pada harga terkini dan memiliki sedikit lag. Kedua, pilih jumlah periode waktu untuk moving average. Ketiga, tetapkan persentase untuk amplop. Rata-rata pergerakan 20 hari dengan amplop 2.5 akan menunjukkan dua baris berikut: Bagan di atas menunjukkan IBM dengan amplop SMA dan amplop 20 hari. Perhatikan bahwa SMA 20 hari ditambahkan ke referensi SharpChart ini. Perhatikan bagaimana amplop bergerak sejajar dengan SMA 20 hari. Mereka tetap 2,5 konstan di atas dan di bawah rata-rata bergerak. Indikator Interpretasi berdasarkan saluran, pita dan amplop dirancang untuk mencakup sebagian besar tindakan harga. Oleh karena itu, bergerak di atas atau di bawah amplop memerlukan perhatian. Tren sering dimulai dengan gerakan kuat dalam satu arah atau lainnya. Lonjakan di atas amplop atas menunjukkan kekuatan luar biasa, sementara penurunan di bawah amplop bawah menunjukkan kelemahan yang luar biasa. Gerakan kuat semacam itu bisa menandakan akhir dari satu tren dan awal yang lain. Dengan rata-rata bergerak sebagai dasarnya, Moving Average Envelopes adalah indikator tren alami berikut. Seperti rata-rata bergerak, amplop akan ketinggalan aksi harga. Arah rata-rata bergerak menentukan arah saluran. Secara umum, downtrend hadir saat saluran bergerak lebih rendah, sementara uptrend ada saat saluran bergerak lebih tinggi. Trennya datar saat saluran bergerak menyamping. Terkadang tren kuat tidak bertahan setelah tembusan amplop dan harga bergerak ke kisaran perdagangan. Rentang perdagangan semacam itu ditandai oleh rata-rata pergerakan yang relatif datar. Amplop kemudian dapat digunakan untuk mengidentifikasi tingkat overbought dan oversold untuk tujuan trading. Pergerakan di atas amplop atas menunjukkan situasi overbought, sementara pergerakan di bawah amplop bawah menandai kondisi jenuh jual. Parameter Parameter untuk Amplop Moving Average bergantung pada tujuan tradinginvesting Anda dan karakteristik keamanan yang terlibat. Pedagang kemungkinan akan menggunakan moving average yang lebih pendek (lebih cepat) dan amplop yang relatif ketat. Investor kemungkinan akan lebih memilih moving average yang lebih panjang (lebih lambat) dengan amplop yang lebih luas. Volatilitas keamanan juga akan mempengaruhi parameter. Bollinger Bands dan Keltner Channels telah dibangun dalam mekanisme yang secara otomatis menyesuaikan diri dengan volatilitas keamanan. Bollinger Bands menggunakan standar deviasi untuk mengatur bandwidth. Saluran Keltner menggunakan Average True Range (ATR) untuk mengatur lebar saluran. Ini secara otomatis menyesuaikan untuk volatilitas. Chartists harus secara independen memperhitungkan volatilitas saat mengatur Amplop Bergerak Rata-rata. Efek dengan volatilitas yang tinggi akan membutuhkan band yang lebih luas untuk mencakup sebagian besar aksi harga. Efek dengan volatilitas rendah bisa menggunakan band yang lebih sempit. Dalam memilih parameter yang tepat, seringkali membantu melapisi beberapa Amplop Bergerak Rata-rata yang berbeda dan membandingkannya. Bagan di atas menunjukkan SampP 500 ETF dengan tiga Moving Average Envelopes berdasarkan SMA 20 hari. Amplop 2,5 (merah) disentuh beberapa kali, 5 amplop (hijau) hanya disentuh selama lonjakan bulan Juli. Ke 10 amplop (pink) itu tak pernah disentuh, yang berarti band ini terlalu lebar. Seorang trader jangka menengah mungkin menggunakan 5 amplop, sementara trader jangka pendek bisa menggunakan 2,5 amplop. Indeks saham dan ETF memerlukan amplop yang lebih ketat karena mereka biasanya kurang stabil daripada saham individual. Bagan Alcoa memiliki Amplop rata-rata bergerak yang sama dengan bagan SPY. Namun, perhatikan bahwa Alcoa telah melanggar 10 amplop berkali-kali karena lebih mudah menguap. Trend Identification Moving Average Envelopes dapat digunakan untuk mengidentifikasi pergerakan kuat yang menandai dimulainya tren yang terus berlanjut. Caranya, seperti biasa, adalah memilih parameter yang benar. Ini membutuhkan latihan, trial and error. Bagan di bawah ini menunjukkan Dow Chemical (DOW) dengan Moving Average Envelopes (20,10). Harga penutupan digunakan karena moving averages dihitung dengan harga penutupan. Beberapa chartists lebih memilih bar atau candlesticks untuk memanfaatkan hari intraday yang tinggi dan rendah. Perhatikan bagaimana DOW melonjak di atas amplop atas pada pertengahan Juli dan terus bergerak di atas amplop ini sampai awal Agustus. Ini menunjukkan kekuatan yang luar biasa. Perhatikan juga bahwa Moving Average Envelopes muncul dan mengikuti kemajuan. Setelah bergerak dari 14 menjadi 23, saham itu jelas overbought. Namun, langkah ini melahirkan preseden yang kuat yang menandai dimulainya tren yang terus berlanjut. Dengan DOW menjadi overbought segera setelah membangun uptrend-nya, sudah saatnya menunggu pullback yang bisa dimainkan. Pedagang dapat mencari pullback dengan analisis grafik dasar atau dengan indikator. Pullbacks sering datang dalam bentuk jatuh bendera atau wedges. DOW membentuk gambar bendera jatuh sempurna pada bulan Agustus dan pecah perlawanan pada bulan September. Bendera lain terbentuk pada akhir Oktober dengan pelarian pada bulan November. Setelah lonjakan November, saham tersebut ditarik kembali dengan bendera lima minggu ke bulan Desember. Commodity Channel Index (IKK) ditunjukkan di jendela indikator. Bergerak di bawah -100 menunjukkan pembacaan oversold. Bila tren yang lebih besar naik, pembacaan oversold dapat digunakan untuk mengidentifikasi kemunduran untuk memperbaiki profil penghargaan risiko untuk perdagangan. Momentum berubah bullish lagi saat CCI bergerak kembali ke wilayah positif (garis putus-putus hijau). Logika terbalik dapat diterapkan untuk tren turun. Sebuah langkah kuat di bawah amplop bawah memberi tanda kelemahan luar biasa yang bisa menandakan tren turun yang meluas. Bagan di bawah ini menunjukkan International Game Tech (IGT) menembus di bawah 10 amplop untuk membangun tren turun pada akhir Oktober 2009. Karena saham tersebut cukup oversold setelah penurunan tajam ini, akan lebih baik menunggu kenaikan. Kita kemudian dapat menggunakan analisis harga dasar atau indikator momentum lainnya untuk mengidentifikasi bouncing. Jendela indikator menunjukkan Stochastic Oscillator yang digunakan untuk mengidentifikasi bounce overbought. Sebuah pergerakan di atas 80 dianggap overbought. Setelah di atas 80, chartists kemudian dapat mencari sinyal grafik atau bergerak kembali di bawah 80 untuk memberi sinyal penurunan (garis putus-putus merah). Sinyal pertama dikonfirmasi dengan support break. Sinyal kedua menghasilkan whipsaw (kerugian) karena saham bergerak di atas 20 beberapa minggu kemudian. Sinyal ketiga dikonfirmasi dengan trend line break yang mengakibatkan penurunan yang cukup tajam. Mirip dengan Price Oscillator Sebelum beralih ke level overbought dan oversold, perlu ditunjukkan bahwa Moving Average Envelopes mirip dengan Percent Price Oscillator (PPO). Beberapa Amplop Bergerak Rata-rata memberi tahu kami saat keamanan memperdagangkan persentase tertentu di atas rata-rata pergerakan tertentu. PPO menunjukkan perbedaan persentase antara moving average eksponensial pendek dan moving average eksponensial yang lebih panjang. PPO (1,20) menunjukkan perbedaan persentase antara EMA 1 periode dan EMA 20 periode. EMA 1 hari sama dengan penutupan. Amplop rata-rata bergerak eksponensial 20 periode mencerminkan informasi yang sama. Bagan di atas menunjukkan Russell 2000 ETF (IWM) dengan PPO (1,20) dan 2,5 Exponential Moving Average Envelopes. Garis horisontal ditetapkan pada 2,5 dan -2,5 pada PPO. Perhatikan bahwa harga bergerak di atas 2.5 amplop saat PPO bergerak di atas 2.5 (shading kuning) dan harga bergerak di bawah selebaran 2.5 saat PPO bergerak di bawah -2,5 (shading oranye). PPO adalah osilator momentum yang bisa digunakan untuk mengidentifikasi tingkat jenuh beli dan jenuh jual. Dengan perpanjangan, Moving Average Envelopes juga dapat digunakan untuk mengidentifikasi tingkat jenuh beli dan jenuh jual. PPO menggunakan moving average eksponensial sehingga harus dibandingkan dengan Moving Average Envelopes menggunakan EMAs, bukan SMA. OverboughtOversold Mengukur kondisi overbought dan oversold memang rumit. Efek bisa menjadi overbought dan tetap overbought dalam uptrend yang kuat. Demikian pula, sekuritas bisa menjadi oversold dan tetap oversold dalam tren turun yang kuat. Dalam uptrend yang kuat, harga sering bergerak di atas amplop atas dan berlanjut di atas garis ini. Sebenarnya, amplop atas akan naik seiring harga terus di atas amplop atas. Hal ini nampaknya secara teknikal jenuh beli, namun merupakan tanda kekuatan untuk tetap jenuh beli. Kebalikannya adalah benar untuk oversold. Pembacaan overbought dan oversold paling baik digunakan saat tren merata. Bagan untuk Nokia memiliki semuanya. Garis merah muda mewakili Amplop Bergerak Rata-rata (50,10). Rata-rata pergerakan sederhana 50 hari ada di tengah (merah). Amplop ditetapkan 10 di atas dan di bawah rata-rata bergerak ini. Bagan tersebut dimulai dengan tingkat overbought yang bertahan overbought karena tren kuat muncul pada April-Mei. Aksi harga berbalik berombak dari Juni hingga April, yang merupakan skenario sempurna untuk level jenuh beli dan jenuh jual. Tingkat overbought pada bulan September dan pertengahan bulan Maret meramalkan pembalikan. Demikian pula, tingkat oversold pada bulan Agustus dan akhir Oktober meramalkan kemajuan. Bagan tersebut diakhiri dengan kondisi jenuh jual yang jenuh saat tren turun yang kuat. Kondisi overbought dan oversold seharusnya menjadi peringatan untuk analisis lebih lanjut. Tingkat overbought harus dikonfirmasi dengan resistance grafik. Chartists juga bisa mencari pola bearish untuk memperkuat potensi reversal pada level overbought. Demikian pula, tingkat oversold harus dikonfirmasi dengan dukungan grafik. Chartist juga bisa mencari pola bullish untuk memperkuat potensi reversal pada level oversold. Kesimpulan Rata-rata Moving Envelopes sebagian besar digunakan sebagai indikator tren berikut, namun juga bisa digunakan untuk mengetahui kondisi jenuh beli dan jenuh jual. Setelah masa konsolidasi, tembusan amplop yang kuat dapat menandai dimulainya tren yang terus berlanjut. Begitu uptrend diidentifikasi, chartists dapat beralih ke indikator momentum dan teknik lainnya untuk mengidentifikasi pembaca dan pullback yang jenuh dalam tren tersebut. Kondisi overbought dan bouncing dapat digunakan sebagai peluang jual dalam tren turun yang lebih besar. Dengan tidak adanya tren yang kuat, Amplop Bergerak Rata-rata dapat digunakan seperti Percent Price Oscillator. Bergerak di atas amplop atas menandakan pembacaan overbought, saat bergerak di bawah bukaan sinyal oversold amplop lebih rendah. Penting juga untuk menggabungkan aspek analisis teknis lainnya untuk mengkonfirmasi pembacaan overbought dan oversold. Pola resistance dan bearish reversals dapat digunakan untuk menguatkan pembacaan overbought. Support dan pola bullish reversal bisa digunakan untuk menegaskan kondisi jenuh jual. SharpCharts Moving Average Envelopes dapat ditemukan di SharpCharts sebagai overlay harga. Seperti rata-rata bergerak, amplop harus ditunjukkan di atas plot harga. Setelah memilih indikator dari kotak drop-down, pengaturan default akan muncul di jendela parameter (20,2,5). MA Amplop didasarkan pada rata-rata bergerak sederhana. Amplop EMA didasarkan pada rata-rata pergerakan eksponensial. Angka pertama (20) menetapkan periode untuk moving average. Angka kedua (2,5) menetapkan persentase offset. Pengguna dapat mengubah parameter sesuai kebutuhan charting mereka. Rata-rata pergerakan yang sesuai dapat ditambahkan sebagai hamparan terpisah. Klik di sini untuk contoh hidup. Oversold setelah Break di atas Amplop Atas: Pemindaian ini mencari stok yang tembus di atas Amplop Rata-rata Bergerak Tertinggi mereka (50,10) dua puluh hari yang lalu untuk menegaskan atau membangun uptrend. CCI 10 periode saat ini berada di bawah -100 untuk mengindikasikan kondisi jenuh jual jangka pendek. Overbought setelah Break di bawah Lower Envelope: Scan ini mencari saham yang tembus di bawah Exponential Moving Average Envelope yang lebih rendah (50,10) dua puluh hari yang lalu untuk menegaskan atau membangun tren turun. CCI 10 periode saat ini berada di atas 100 untuk mengindikasikan kondisi jenuh beli jangka pendek. Tren Studi lanjut Trading untuk Living Thomas CarrMoving Averages - Rata-rata Bergerak Sederhana dan Eksponensial - Pengenalan Sederhana dan Eksponensial Moving averages memperlengkapi data harga menjadi indikator tren berikut. Mereka tidak memprediksi arah harga, melainkan menentukan arah saat ini dengan lag. Moving averages lag karena mereka didasarkan pada harga masa lalu. Terlepas dari lag ini, moving averages membantu tindakan harga yang lancar dan menyaring noise. Mereka juga membentuk blok bangunan untuk banyak indikator dan lapisan teknis lainnya, seperti Bollinger Bands. MACD dan McClellan Oscillator. Dua jenis moving average yang paling populer adalah Simple Moving Average (SMA) dan Exponential Moving Average (EMA). Rata-rata bergerak ini dapat digunakan untuk mengidentifikasi arah tren atau menentukan level support dan resistance yang potensial. Berikut adalah bagan dengan SMA dan EMA di atasnya: Perhitungan Rata-rata Bergerak Sederhana Rata-rata pergerakan sederhana terbentuk dengan menghitung harga rata-rata sekuritas selama periode tertentu. Rata-rata pergerakan paling banyak didasarkan pada harga penutupan. Rata-rata pergerakan sederhana 5 hari adalah jumlah lima hari harga penutupan dibagi lima. Sesuai namanya, rata-rata bergerak adalah rata-rata bergerak. Data lama dijatuhkan saat data baru tersedia. Hal ini menyebabkan rata-rata bergerak sepanjang skala waktu. Berikut adalah contoh rata-rata pergerakan 5 hari yang berkembang selama tiga hari. Hari pertama rata-rata bergerak hanya mencakup lima hari terakhir. Hari kedua rata-rata bergerak menurunkan titik data pertama (11) dan menambahkan titik data baru (16). Hari ketiga dari rata-rata bergerak berlanjut dengan menjatuhkan titik data pertama (12) dan menambahkan titik data baru (17). Pada contoh di atas, harga secara bertahap meningkat dari 11 menjadi 17 di atas total tujuh hari. Perhatikan bahwa moving average juga naik dari 13 menjadi 15 selama periode perhitungan tiga hari. Perhatikan juga bahwa setiap nilai rata-rata bergerak tepat di bawah harga terakhir. Misalnya, rata-rata bergerak untuk hari pertama sama dengan 13 dan harga terakhir adalah 15. Harga empat hari sebelumnya lebih rendah dan ini menyebabkan rata-rata bergerak menjadi lag. Perhitungan Eksponensial Pindah Eksponensial Rata-rata pergerakan eksponensial mengurangi lag dengan menerapkan bobot lebih terhadap harga terkini. Bobot yang diterapkan pada harga terbaru bergantung pada jumlah periode pada moving average. Ada tiga langkah untuk menghitung rata-rata pergerakan eksponensial. Pertama, hitung rata-rata bergerak sederhana. Exponential moving average (EMA) harus dimulai di suatu tempat sehingga rata-rata bergerak sederhana digunakan sebagai EMA periode sebelumnya pada perhitungan pertama. Kedua, hitung pengganda bobot. Ketiga, hitung rata-rata pergerakan eksponensial. Rumus di bawah ini adalah untuk EMA 10 hari. Rata-rata pergerakan eksponensial 10 periode menerapkan bobot 18,18 pada harga terbaru. EMA 10 periode juga bisa disebut 18,18 EMA. EMA 20 periode berlaku 9,52 dengan harga paling tinggi (2 (201) .0952). Perhatikan bahwa pembobotan untuk jangka waktu lebih pendek lebih banyak daripada pembobotan untuk jangka waktu yang lebih lama. Sebenarnya, bobot turun setengahnya setiap kali rata-rata bergerak rata-rata berganda. Jika Anda menginginkan persentase tertentu untuk EMA, Anda dapat menggunakan rumus ini untuk mengubahnya menjadi periode waktu dan kemudian memasukkan nilai itu sebagai parameter EMA039: Berikut adalah contoh spreadsheet dari rata-rata pergerakan sederhana 10 hari dan 10- Hari rata-rata bergerak eksponensial untuk Intel. Simple moving averages lurus ke depan dan memerlukan sedikit penjelasan. Rata-rata 10 hari hanya bergerak karena harga baru sudah tersedia dan harga lama turun. Rata-rata bergerak eksponensial dimulai dengan nilai rata-rata bergerak sederhana (22.22) pada perhitungan pertama. Setelah perhitungan pertama, rumus normal mengambil alih. Karena EMA dimulai dengan rata-rata bergerak sederhana, nilainya sebenarnya tidak akan terealisasi sampai 20 atau lebih periode kemudian. Dengan kata lain, nilai pada spreadsheet excel mungkin berbeda dari nilai grafik karena periode lihat belakang yang pendek. Spreadsheet ini hanya akan kembali 30 periode, yang berarti pengaruhnya terhadap rata-rata pergerakan sederhana memiliki 20 periode untuk menghilang. StockCharts kembali setidaknya 250 periode (biasanya jauh lebih jauh) untuk perhitungannya sehingga efek rata-rata bergerak sederhana pada perhitungan pertama telah hilang sepenuhnya. Faktor Lag Semakin lama rata-rata bergerak, semakin tertinggal. Rata-rata pergerakan eksponensial 10 hari akan memeluk harga cukup dekat dan berbalik segera setelah harga berbalik. Rata-rata bergerak pendek seperti kapal cepat - gesit dan cepat berubah. Sebaliknya, rata-rata pergerakan 100 hari berisi banyak data masa lalu yang memperlambatnya. Rata-rata bergerak yang lebih panjang seperti kapal tanker laut - lesu dan lamban untuk berubah. Dibutuhkan pergerakan harga yang lebih besar dan lebih lama untuk moving average 100 hari untuk mengubah arah. Bagan di atas menunjukkan SampP 500 ETF dengan EMA 10 hari mengikuti harga dan SMA 100 hari yang digiling lebih tinggi. Bahkan dengan penurunan Januari-Februari, SMA 100 hari itu mengikuti kursus dan tidak menolak. SMA 50 hari cocok di suatu tempat antara rata-rata pergerakan 10 dan 100 hari ketika sampai pada faktor lag. Simple vs Exponential Moving Averages Meskipun ada perbedaan yang jelas antara rata-rata bergerak sederhana dan rata-rata bergerak eksponensial, yang satu tidak selalu lebih baik dari yang lain. Rata-rata pergerakan eksponensial memiliki sedikit lag dan oleh karena itu lebih sensitif terhadap harga terkini - dan perubahan harga terkini. Rata-rata bergerak eksponensial akan berubah sebelum rata-rata bergerak sederhana. Rata-rata pergerakan sederhana, di sisi lain, mewakili rata-rata harga sebenarnya untuk keseluruhan periode waktu. Dengan demikian, rata-rata pergerakan sederhana mungkin lebih sesuai untuk mengidentifikasi level support atau resistance. Preferensi rata-rata bergerak bergantung pada tujuan, gaya analisis dan horison waktu. Chartis harus bereksperimen dengan kedua jenis rata-rata bergerak serta rentang waktu yang berbeda untuk menemukan yang paling sesuai. Bagan di bawah ini menunjukkan IBM dengan SMA 50 hari berwarna merah dan EMA 50 hari berwarna hijau. Keduanya memuncak pada akhir Januari, namun penurunan EMA lebih tajam dibanding penurunan di SMA. EMA muncul pada pertengahan Februari, namun SMA terus berlanjut hingga akhir Maret. Perhatikan bahwa SMA muncul lebih dari sebulan setelah EMA. Panjang dan Jangka Waktu Panjang rata-rata bergerak tergantung pada tujuan analisis. Rata-rata pergerakan pendek (5-20 periode) paling sesuai untuk tren dan perdagangan jangka pendek. Chartists yang tertarik pada tren jangka menengah akan memilih moving average yang lebih lama yang dapat memperpanjang periode 20-60. Investor jangka panjang akan memilih moving averages dengan periode 100 atau lebih. Beberapa panjang rata-rata bergerak lebih populer daripada yang lain. Rata-rata pergerakan 200 hari mungkin yang paling populer. Karena panjangnya, ini jelas merupakan moving average jangka panjang. Selanjutnya, rata-rata pergerakan 50 hari cukup populer untuk tren jangka menengah. Banyak chartis menggunakan moving average 50 hari dan 200 hari bersama-sama. Jangka pendek, rata-rata pergerakan 10 hari cukup populer di masa lalu karena mudah dihitung. Seseorang hanya menambahkan angka dan memindahkan titik desimal. Identifikasi Trend Sinyal yang sama dapat dihasilkan dengan menggunakan rata-rata bergerak sederhana atau eksponensial. Seperti disebutkan di atas, preferensi tergantung pada masing-masing individu. Contoh di bawah ini akan menggunakan rata-rata bergerak sederhana dan eksponensial. Istilah moving average berlaku untuk moving average rata-rata dan eksponensial. Arah rata-rata bergerak menyampaikan informasi penting tentang harga. Kenaikan rata-rata bergerak menunjukkan bahwa harga pada umumnya meningkat. Perputaran rata-rata bergerak menunjukkan bahwa harga rata-rata turun. Kenaikan moving average jangka panjang mencerminkan uptrend jangka panjang. Jatuh rata-rata bergerak jangka panjang mencerminkan tren turun jangka panjang. Bagan di atas menunjukkan 3M (MMM) dengan rata-rata pergerakan eksponensial 150 hari. Contoh ini menunjukkan seberapa baik rata-rata bergerak bekerja bila trennya kuat. EMA 150 hari ditolak pada bulan November 2007 dan sekali lagi pada bulan Januari 2008. Perhatikan bahwa dibutuhkan penurunan 15 untuk membalikkan arah rata-rata pergerakan ini. Indikator lagging ini mengidentifikasi pembalikan tren saat terjadi (paling banter) atau setelah terjadi (paling buruk). MMM terus berlanjut hingga Maret 2009 lalu melonjak 40-50. Perhatikan bahwa EMA 150 hari tidak muncul sampai setelah gelombang ini terjadi. Setelah itu, bagaimanapun, MMM terus berlanjut dalam 12 bulan ke depan. Moving averages bekerja cemerlang dalam tren yang kuat. Double Crossover Dua moving averages dapat digunakan bersamaan untuk menghasilkan sinyal crossover. Dalam Analisis Teknis Pasar Keuangan. John Murphy menyebutnya metode crossover ganda. Crossover ganda melibatkan satu moving average yang relatif pendek dan satu moving average yang relatif panjang. Seperti semua moving averages, panjang umum moving average mendefinisikan kerangka waktu untuk sistem. Sistem yang menggunakan EMA 5 hari dan EMA 35 hari akan dianggap jangka pendek. Sistem yang menggunakan SMA 50 hari dan SMA 200 hari akan dianggap jangka menengah, bahkan mungkin dalam jangka panjang. Crossover bullish terjadi ketika moving average yang lebih pendek melintasi di atas moving average yang lebih panjang. Ini juga dikenal sebagai golden cross. Sebuah crossover bearish terjadi ketika moving average yang lebih pendek melintasi di bawah moving average yang lebih panjang. Ini dikenal sebagai salib mati. Pindah rata-rata crossover menghasilkan sinyal yang relatif terlambat. Bagaimanapun, sistem ini menggunakan dua indikator lagging. Semakin lama periode rata-rata bergerak, semakin besar lag pada sinyal. Sinyal ini bekerja hebat saat tren bagus terus berlanjut. Namun, sistem crossover moving average akan menghasilkan banyak whipsaws tanpa adanya tren yang kuat. Ada juga metode triple crossover yang melibatkan tiga moving averages. Sekali lagi, sinyal dihasilkan saat rata-rata bergerak terpendek melintasi dua rata-rata bergerak yang lebih lama. Sistem crossover tiga sederhana mungkin melibatkan rata-rata pergerakan 5 hari, 10 hari dan 20 hari. Bagan di atas menunjukkan Home Depot (HD) dengan EMA 10 hari (garis putus-putus hijau) dan EMA 50 hari (garis merah). Garis hitam adalah tutupan harian. Menggunakan crossover rata-rata bergerak akan menghasilkan tiga whipsaws sebelum menangkap perdagangan yang baik. EMA 10 hari tersebut pecah di bawah EMA 50 hari pada akhir Oktober (1), namun ini tidak berlangsung lama selama 10 hari bergerak kembali di atas pada pertengahan November (2). Salib ini bertahan lebih lama, namun crossover bearish berikutnya di bulan Januari (3) terjadi mendekati level harga akhir November, sehingga terjadi pula whipsaw lainnya. Salib bearish ini tidak bertahan lama karena EMA 10 hari bergerak kembali di atas 50 hari beberapa hari kemudian (4). Setelah tiga sinyal buruk, sinyal keempat meramalkan pergerakan yang kuat saat saham menguat di atas 20. Ada dua takeaways di sini. Pertama, crossover rentan terhadap whipsaw. Filter harga atau waktu dapat diterapkan untuk membantu mencegah whipsaws. Pedagang mungkin memerlukan crossover sampai 3 hari terakhir sebelum bertindak atau memerlukan EMA 10 hari untuk bergerak di atas EMA 50 hari dengan jumlah tertentu sebelum bertindak. Kedua, MACD dapat digunakan untuk mengidentifikasi dan mengkuantifikasi crossover ini. MACD (10,50,1) akan menunjukkan garis yang mewakili perbedaan antara dua rata-rata bergerak eksponensial. MACD berubah positif selama salib emas dan negatif selama salib mati. The Persentase Harga Oscillator (PPO) dapat digunakan dengan cara yang sama untuk menunjukkan perbedaan persentase. Perhatikan bahwa MACD dan PPO didasarkan pada rata-rata pergerakan eksponensial dan tidak akan sesuai dengan rata-rata bergerak sederhana. Bagan ini menunjukkan Oracle (ORCL) dengan EMA 50 hari, EMA 200 hari dan MACD (50,200,1). Ada empat perpindahan rata-rata bergerak selama periode 2 12 tahun. Tiga yang pertama menghasilkan whipsaws atau perdagangan buruk. Tren yang berkelanjutan dimulai dengan crossover keempat saat ORCL maju ke pertengahan 20an. Sekali lagi, pergerakan rata-rata crossover bekerja dengan baik saat trennya kuat, namun menghasilkan kerugian karena tidak adanya tren. Harga Crossover Moving averages juga dapat digunakan untuk menghasilkan sinyal dengan crossover harga sederhana. Sinyal bullish dihasilkan saat harga bergerak di atas rata-rata bergerak. Sinyal bearish dihasilkan saat harga bergerak di bawah moving average. Harga crossover dapat dikombinasikan untuk diperdagangkan dalam tren yang lebih besar. Rata-rata pergerakan yang lebih lama menentukan nada untuk tren yang lebih besar dan moving average yang lebih pendek digunakan untuk menghasilkan sinyal. Kita akan mencari harga bullish hanya bila harga sudah di atas moving average yang lebih panjang. Ini akan diperdagangkan selaras dengan tren yang lebih besar. Misalnya, jika harga di atas rata-rata pergerakan 200 hari, para chartists hanya akan fokus pada sinyal ketika harga bergerak di atas rata-rata pergerakan 50 hari. Jelas, pergerakan di bawah rata-rata pergerakan 50 hari akan mendahului sinyal seperti itu, namun persilangan bearish semacam itu akan diabaikan karena tren yang lebih besar sudah naik. Salib bearish hanya akan menyarankan pullback dalam uptrend yang lebih besar. Sebuah cross back di atas moving average 50 hari akan menandakan kenaikan harga dan kelanjutan dari uptrend yang lebih besar. Bagan berikutnya menunjukkan Emerson Electric (EMR) dengan EMA 50 hari dan EMA 200 hari. Saham bergerak di atas dan bertahan di atas rata-rata pergerakan 200 hari di bulan Agustus. Ada penurunan di bawah EMA 50 hari pada awal November dan lagi di awal Februari. Harga cepat bergerak kembali di atas EMA 50 hari untuk memberikan sinyal bullish (panah hijau) selaras dengan uptrend yang lebih besar. MACD (1,50,1) ditunjukkan di jendela indikator untuk mengkonfirmasi harga di atas atau di bawah EMA 50 hari. EMA 1 hari sama dengan harga penutupan. MACD (1,50,1) positif saat penutupan berada di atas EMA 50 hari dan negatif saat penutupan berada di bawah EMA 50 hari. Support and Resistance Moving averages juga dapat berperan sebagai support dalam uptrend dan resistance dalam downtrend. Pergerakan naik jangka pendek mungkin akan menemukan support mendekati moving average 20 hari sederhana, yang juga digunakan pada Bollinger Bands. Sebuah uptrend jangka panjang mungkin akan menemukan support di dekat rata-rata pergerakan sederhana 200 hari, yang merupakan moving average jangka panjang yang paling populer. Jika fakta, rata-rata pergerakan 200 hari mungkin menawarkan dukungan atau penolakan hanya karena sangat banyak digunakan. Hal ini hampir seperti ramalan yang dipenuhi sendiri. Bagan di atas menunjukkan Komposit NY dengan rata-rata pergerakan sederhana 200 hari dari pertengahan 2004 sampai akhir tahun 2008. Dukungan 200 hari telah diberikan berkali-kali selama uang muka. Begitu tren terbalik dengan double support break, moving average 200 hari bertindak sebagai resistance di sekitar 9500. Jangan mengharapkan level support dan resistance yang tepat dari moving averages, terutama moving average yang lebih lama. Pasar didorong oleh emosi, yang membuat mereka cenderung mengalami overshoot. Alih-alih tingkat yang tepat, moving averages dapat digunakan untuk mengidentifikasi zona pendukung atau resistance. Kesimpulan Keuntungan menggunakan moving averages perlu dipertimbangkan terhadap kerugiannya. Moving averages adalah trend berikut, atau lagging, indikator yang akan selalu menjadi langkah di belakang. Ini belum tentu hal yang buruk sekalipun. Toh, trennya adalah teman Anda dan yang terbaik adalah berdagang ke arah tren. Moving averages memastikan bahwa trader sesuai dengan tren saat ini. Meskipun trennya adalah teman Anda, sekuritas menghabiskan banyak waktu dalam rentang perdagangan, yang membuat rata-rata bergerak tidak efektif. Begitu dalam tren, rata-rata bergerak akan membuat Anda tetap bertahan, tapi juga memberi sinyal terlambat. Jangan berharap untuk menjual di bagian atas dan membeli di bagian bawah menggunakan moving averages. Seperti kebanyakan alat analisis teknis lainnya, moving averages tidak boleh digunakan sendiri, namun bersamaan dengan alat pelengkap lainnya. Chartis dapat menggunakan moving averages untuk menentukan keseluruhan trend dan kemudian menggunakan RSI untuk menentukan level overbought atau oversold. Menambahkan Moving Average ke Chart StockCharts Moving averages tersedia sebagai fitur overlay harga di meja kerja SharpCharts. Dengan menggunakan menu drop-down Overlay, pengguna dapat memilih rata-rata bergerak sederhana atau rata-rata bergerak eksponensial. Parameter pertama digunakan untuk mengatur jumlah periode waktu. Parameter opsional dapat ditambahkan untuk menentukan bidang harga mana yang harus digunakan dalam perhitungan - O untuk Open, H untuk High, L untuk Low, dan C for the Close. Koma digunakan untuk memisahkan parameter. Parameter opsional lainnya dapat ditambahkan untuk menggeser rata-rata bergerak ke kiri (masa lalu) atau kanan (masa depan). Angka negatif (-10) akan menggeser rata-rata bergerak ke kiri 10 periode. Angka positif (10) akan menggeser rata-rata bergerak ke kanan 10 periode. Beberapa moving averages dapat dilapisi dengan harga plot dengan hanya menambahkan garis overlay lainnya ke meja kerja. Anggota StockCharts dapat mengubah warna dan gaya untuk membedakan antara beberapa moving averages. Setelah memilih indikator, buka Advanced Options dengan mengklik segitiga hijau kecil. Opsi Lanjutan juga dapat digunakan untuk menambahkan overlay rata-rata bergerak ke indikator teknis lainnya seperti RSI, CCI, dan Volume. Klik di sini untuk live chart dengan beberapa moving average yang berbeda. Menggunakan Moving Averages with StockCharts Scans Berikut adalah beberapa contoh pemindaian yang dapat digunakan anggota StockCharts untuk memindai berbagai situasi rata-rata bergerak: Bullish Moving Average Cross: Pemindaian ini mencari saham dengan moving average 150 hari yang baru dan sebuah salib bullish dari 5 - day EMA dan EMA 35 hari. Rata-rata pergerakan 150 hari meningkat selama diperdagangkan di atas level lima hari yang lalu. Cross bullish terjadi ketika EMA 5 hari bergerak diatas EMA 35 hari di atas rata-rata volume. Bearish Moving Average Cross: Pemindaian ini mencari saham dengan pergerakan moving average 150 hari yang rendah dan umpan silang bearish EMA 5 hari dan EMA 35 hari. Rata-rata pergerakan 150 hari turun selama perdagangan di bawah level lima hari yang lalu. Salib bearish terjadi ketika EMA 5 hari bergerak di bawah EMA 35 hari di atas rata-rata volume. Pelajaran lebih lanjut Buku John Murphy039 memiliki bab yang ditujukan untuk rata-rata bergerak dan berbagai kegunaannya. Murphy mencakup pro dan kontra moving averages. Selain itu, Murphy menunjukkan bagaimana rata-rata bergerak bekerja dengan Bollinger Bands dan sistem perdagangan berbasis saluran. Analisis teknis Pasar Keuangan John MurphyPendahuluan ke ARIMA: model nonseasonal persamaan peramalan ARIMA (p, d, q): Model ARIMA secara teori merupakan kelas model paling umum untuk meramalkan rangkaian waktu yang dapat dibuat menjadi 8220stationary8221 oleh Differencing (jika perlu), mungkin bersamaan dengan transformasi nonlinier seperti penebangan atau pengosongan (jika perlu). Variabel acak yang merupakan deret waktu bersifat stasioner jika sifat statistiknya konstan sepanjang waktu. Seri stasioner tidak memiliki tren, variasinya berkisar rata-rata memiliki amplitudo konstan, dan bergoyang secara konsisten. Yaitu pola waktu acak jangka pendeknya selalu terlihat sama dalam arti statistik. Kondisi terakhir ini berarti autokorelasinya (korelasi dengan penyimpangannya sendiri dari mean) tetap konstan dari waktu ke waktu, atau ekuivalen, bahwa spektrum kekuatannya tetap konstan seiring berjalannya waktu. Variabel acak dari bentuk ini dapat dilihat (seperti biasa) sebagai kombinasi antara sinyal dan noise, dan sinyal (jika ada) dapat menjadi pola pengembalian cepat atau lambat, atau osilasi sinusoidal, atau alternasi cepat pada tanda , Dan itu juga bisa memiliki komponen musiman. Model ARIMA dapat dilihat sebagai model 8220filter8221 yang mencoba memisahkan sinyal dari noise, dan sinyal tersebut kemudian diekstrapolasikan ke masa depan untuk mendapatkan perkiraan. Persamaan peramalan ARIMA untuk rangkaian waktu stasioner adalah persamaan linier (yaitu regresi-tipe) dimana prediktor terdiri dari kelambatan variabel dependen dan atau lag dari kesalahan perkiraan. Yaitu: Prediksi nilai Y adalah konstanta dan atau jumlah tertimbang dari satu atau lebih nilai Y dan satu angka tertimbang dari satu atau lebih nilai kesalahan terkini. Jika prediktor hanya terdiri dari nilai Y yang tertinggal, itu adalah model autoregresif murni (8220 self-regressed8221), yang hanyalah kasus khusus dari model regresi dan yang dapat dilengkapi dengan perangkat lunak regresi standar. Sebagai contoh, model autoregresif orde pertama (8220AR (1) 8221) untuk Y adalah model regresi sederhana dimana variabel independennya hanya Y yang tertinggal satu periode (LAG (Y, 1) dalam Statgrafik atau YLAG1 dalam RegresIt). Jika beberapa prediktor tertinggal dari kesalahan, model ARIMA TIDAK merupakan model regresi linier, karena tidak ada cara untuk menentukan error8221 8220last periodier178 sebagai variabel independen: kesalahan harus dihitung berdasarkan periode-ke-periode Saat model dipasang pada data. Dari sudut pandang teknis, masalah dengan menggunakan kesalahan tertinggal sebagai prediktor adalah bahwa prediksi model8217 bukanlah fungsi linear dari koefisien. Meskipun mereka adalah fungsi linier dari data masa lalu. Jadi, koefisien pada model ARIMA yang mencakup kesalahan tertinggal harus diestimasi dengan metode optimasi nonlinier (8220 climb-climbing8221) daripada hanya dengan memecahkan sistem persamaan. Akronim ARIMA adalah singkatan Auto-Regressive Integrated Moving Average. Lags dari rangkaian stasioner dalam persamaan peramalan disebut istilah quotautoregressivequot, kelambatan kesalahan perkiraan disebut istilah kuotasi rata-rata quotmoving average, dan deret waktu yang perlu dibedakan untuk dijadikan stasioner disebut versi seri integimental dari seri stasioner. Model random-walk dan random-trend, model autoregresif, dan model pemulusan eksponensial adalah kasus khusus model ARIMA. Model ARIMA nonseasonal diklasifikasikan sebagai model quotARIMA (p, d, q) quot, di mana: p adalah jumlah istilah autoregresif, d adalah jumlah perbedaan nonseasonal yang diperlukan untuk stasioneritas, dan q adalah jumlah kesalahan perkiraan yang tertinggal dalam Persamaan prediksi Persamaan peramalan dibangun sebagai berikut. Pertama, izinkan y menunjukkan perbedaan D dari Y. yang berarti: Perhatikan bahwa perbedaan kedua Y (kasus d2) bukanlah selisih 2 periode yang lalu. Sebaliknya, ini adalah perbedaan pertama-perbedaan-dari-pertama. Yang merupakan analog diskrit turunan kedua, yaitu akselerasi lokal dari seri daripada tren lokalnya. Dalam hal y. Persamaan peramalan umum adalah: Disini parameter rata-rata bergerak (9528217s) didefinisikan sehingga tanda-tanda mereka negatif dalam persamaan, mengikuti konvensi yang diperkenalkan oleh Box dan Jenkins. Beberapa penulis dan perangkat lunak (termasuk bahasa pemrograman R) mendefinisikannya sehingga mereka memiliki tanda plus. Bila nomor aktual dicolokkan ke dalam persamaan, tidak ada ambiguitas, tapi penting untuk mengetahui konvensi mana yang digunakan perangkat lunak Anda saat Anda membaca hasilnya. Seringkali parameter dilambangkan dengan AR (1), AR (2), 8230, dan MA (1), MA (2), 8230 dll. Untuk mengidentifikasi model ARIMA yang sesuai untuk Y. Anda memulai dengan menentukan urutan differencing (D) perlu membuat stasioner seri dan menghilangkan fitur musiman musiman, mungkin bersamaan dengan transformasi yang menstabilkan varians seperti penebangan atau pengapuran. Jika Anda berhenti pada titik ini dan meramalkan bahwa rangkaian yang berbeda adalah konstan, Anda hanya memiliki model acak berjalan atau acak acak. Namun, rangkaian stationarized masih memiliki kesalahan autokorelasi, menunjukkan bahwa beberapa jumlah istilah AR (p 8805 1) dan beberapa istilah MA (q 8805 1) juga diperlukan dalam persamaan peramalan. Proses penentuan nilai p, d, dan q yang terbaik untuk rangkaian waktu tertentu akan dibahas di bagian catatan selanjutnya (yang tautannya berada di bagian atas halaman ini), namun pratinjau beberapa jenis Model ARIMA nonseasonal yang biasa dijumpai diberikan di bawah ini. ARIMA (1,0,0) model autoregresif orde pertama: jika seri stasioner dan autokorelasi, mungkin dapat diprediksi sebagai kelipatan dari nilai sebelumnya, ditambah konstanta. Persamaan peramalan dalam kasus ini adalah 8230 yang Y regresi pada dirinya sendiri tertinggal oleh satu periode. Ini adalah model konstanta 8220ARIMA (1,0,0) constant8221. Jika mean Y adalah nol, maka istilah konstan tidak akan disertakan. Jika koefisien kemiringan 981 1 positif dan kurang dari 1 besarnya (harus kurang dari 1 dalam besaran jika Y adalah stasioner), model tersebut menggambarkan perilaku rata-rata pada nilai periodisasi berikutnya yang diperkirakan akan menjadi 981 1 kali sebagai Jauh dari mean sebagai nilai periode ini. Jika 981 1 negatif, ia memprediksi perilaku rata-rata dengan alternasi tanda, yaitu juga memprediksi bahwa Y akan berada di bawah rata-rata periode berikutnya jika berada di atas rata-rata periode ini. Dalam model autoregresif orde kedua (ARIMA (2,0,0)), akan ada istilah Y t-2 di sebelah kanan juga, dan seterusnya. Bergantung pada tanda dan besaran koefisien, model ARIMA (2,0,0) bisa menggambarkan sistem yang pembalikan rata-rata terjadi dengan mode sinusoidal oscillating, seperti gerak massa pada pegas yang mengalami guncangan acak. . ARIMA (0,1,0) berjalan acak: Jika seri Y tidak stasioner, model yang paling sederhana untuk model ini adalah model jalan acak, yang dapat dianggap sebagai kasus pembatas model AR (1) dimana autoregresif Koefisien sama dengan 1, yaitu deret dengan reversi mean yang jauh lebih lambat. Persamaan prediksi untuk model ini dapat ditulis sebagai: di mana istilah konstan adalah perubahan periode-ke-periode rata-rata (yaitu drift jangka panjang) di Y. Model ini dapat dipasang sebagai model regresi yang tidak mencegat dimana Perbedaan pertama Y adalah variabel dependen. Karena hanya mencakup perbedaan nonseasonal dan istilah konstan, model ini diklasifikasikan sebagai model quotARIMA (0,1,0) dengan konstan. Model random-walk-without - drift akan menjadi ARIMA (0,1, 0) model tanpa ARIMA konstan (1,1,0) model autoregresif orde satu yang terdesentralisasi: Jika kesalahan model jalan acak diobot dengan autokorelasi, mungkin masalahnya dapat diperbaiki dengan menambahkan satu lag variabel dependen ke persamaan prediksi - - yaitu Dengan mengundurkan diri dari perbedaan pertama Y pada dirinya sendiri yang tertinggal satu periode. Ini akan menghasilkan persamaan prediksi berikut: yang dapat diatur ulang menjadi Ini adalah model autoregresif orde pertama dengan satu urutan perbedaan nonseasonal dan istilah konstan - yaitu. Model ARIMA (1,1,0). ARIMA (0,1,1) tanpa perataan eksponensial sederhana: Strategi lain untuk memperbaiki kesalahan autokorelasi dalam model jalan acak disarankan oleh model pemulusan eksponensial sederhana. Ingatlah bahwa untuk beberapa seri waktu nonstasioner (misalnya yang menunjukkan fluktuasi yang bising di sekitar rata-rata yang bervariasi secara perlahan), model jalan acak tidak berjalan sebaik rata-rata pergerakan nilai masa lalu. Dengan kata lain, daripada mengambil pengamatan terbaru sebagai perkiraan pengamatan berikutnya, lebih baik menggunakan rata-rata beberapa pengamatan terakhir untuk menyaring kebisingan dan memperkirakan secara lebih akurat mean lokal. Model pemulusan eksponensial sederhana menggunakan rata-rata pergerakan rata-rata tertimbang eksponensial untuk mencapai efek ini. Persamaan prediksi untuk model smoothing eksponensial sederhana dapat ditulis dalam sejumlah bentuk ekuivalen matematis. Salah satunya adalah bentuk koreksi yang disebut 8220error correction8221, dimana ramalan sebelumnya disesuaikan dengan kesalahan yang dibuatnya: Karena e t-1 Y t-1 - 374 t-1 menurut definisinya, ini dapat ditulis ulang sebagai : Yang merupakan persamaan peramalan ARIMA (0,1,1) - tanpa perkiraan konstan dengan 952 1 1 - 945. Ini berarti bahwa Anda dapat menyesuaikan smoothing eksponensial sederhana dengan menentukannya sebagai model ARIMA (0,1,1) tanpa Konstan, dan perkiraan koefisien MA (1) sesuai dengan 1-minus-alpha dalam formula SES. Ingatlah bahwa dalam model SES, rata-rata usia data dalam prakiraan 1 periode adalah 1 945. yang berarti bahwa mereka cenderung tertinggal dari tren atau titik balik sekitar 1 945 periode. Dengan demikian, rata-rata usia data dalam prakiraan 1-periode-depan model ARIMA (0,1,1) - tanpa konstan adalah 1 (1 - 952 1). Jadi, misalnya, jika 952 1 0,8, usia rata-rata adalah 5. Karena 952 1 mendekati 1, model ARIMA (0,1,1) - tanpa model konstan menjadi rata-rata bergerak jangka-panjang, dan sebagai 952 1 Pendekatan 0 menjadi model random-walk-without-drift. Apa cara terbaik untuk memperbaiki autokorelasi: menambahkan istilah AR atau menambahkan istilah MA Dalam dua model sebelumnya yang dibahas di atas, masalah kesalahan autokorelasi dalam model jalan acak diperbaiki dengan dua cara yang berbeda: dengan menambahkan nilai lag dari seri yang berbeda Ke persamaan atau menambahkan nilai tertinggal dari kesalahan perkiraan. Pendekatan mana yang terbaik Aturan praktis untuk situasi ini, yang akan dibahas lebih rinci nanti, adalah bahwa autokorelasi positif biasanya paling baik ditangani dengan menambahkan istilah AR ke model dan autokorelasi negatif biasanya paling baik ditangani dengan menambahkan MA istilah. Dalam deret waktu bisnis dan ekonomi, autokorelasi negatif sering muncul sebagai artefak differencing. (Secara umum, differencing mengurangi autokorelasi positif dan bahkan dapat menyebabkan perubahan dari autokorelasi positif ke negatif.) Jadi, model ARIMA (0,1,1), di mana perbedaannya disertai dengan istilah MA, lebih sering digunakan daripada Model ARIMA (1,1,0). ARIMA (0,1,1) dengan perataan eksponensial sederhana konstan dengan pertumbuhan: Dengan menerapkan model SES sebagai model ARIMA, Anda benar-benar mendapatkan fleksibilitas. Pertama, perkiraan koefisien MA (1) dibiarkan negatif. Ini sesuai dengan faktor pemulusan yang lebih besar dari 1 dalam model SES, yang biasanya tidak diizinkan oleh prosedur pemasangan model SES. Kedua, Anda memiliki pilihan untuk memasukkan istilah konstan dalam model ARIMA jika Anda mau, untuk memperkirakan tren nol rata-rata. Model ARIMA (0,1,1) dengan konstanta memiliki persamaan prediksi: Prakiraan satu periode dari model ini secara kualitatif serupa dengan model SES, kecuali bahwa lintasan perkiraan jangka panjang biasanya adalah Garis miring (kemiringannya sama dengan mu) bukan garis horizontal. ARIMA (0,2,1) atau (0,2,2) tanpa pemulusan eksponensial linier konstan: Model pemulusan eksponensial linier adalah model ARIMA yang menggunakan dua perbedaan nonseason dalam hubungannya dengan persyaratan MA. Perbedaan kedua dari seri Y bukan hanya perbedaan antara Y dan dirinya tertinggal dua periode, namun ini adalah perbedaan pertama dari perbedaan pertama - i. Perubahan perubahan Y pada periode t. Jadi, perbedaan kedua Y pada periode t sama dengan (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Perbedaan kedua dari fungsi diskrit sama dengan turunan kedua dari fungsi kontinyu: ia mengukur kuotasi kuadrat atau quotcurvaturequot dalam fungsi pada suatu titik waktu tertentu. Model ARIMA (0,2,2) tanpa konstan memprediksi bahwa perbedaan kedua dari rangkaian sama dengan fungsi linier dari dua kesalahan perkiraan terakhir: yang dapat disusun ulang sebagai: di mana 952 1 dan 952 2 adalah MA (1) dan MA (2) koefisien. Ini adalah model pemulusan eksponensial linear umum. Dasarnya sama dengan model Holt8217s, dan model Brown8217s adalah kasus khusus. Ini menggunakan rata-rata pergerakan tertimbang eksponensial untuk memperkirakan tingkat lokal dan tren lokal dalam rangkaian. Perkiraan jangka panjang dari model ini menyatu dengan garis lurus yang kemiringannya bergantung pada tren rata-rata yang diamati menjelang akhir rangkaian. ARIMA (1,1,2) tanpa perataan eksponensial eksponensial yang terfragmentasi. Model ini diilustrasikan pada slide yang menyertainya pada model ARIMA. Ini mengekstrapolasikan tren lokal di akhir seri namun meratakannya pada cakrawala perkiraan yang lebih panjang untuk memperkenalkan catatan konservatisme, sebuah praktik yang memiliki dukungan empiris. Lihat artikel di quotWhy the Damped Trend karyaquot oleh Gardner dan McKenzie dan artikel quotGolden Rulequot oleh Armstrong dkk. Untuk rinciannya. Umumnya disarankan untuk tetap berpegang pada model di mana setidaknya satu dari p dan q tidak lebih besar dari 1, yaitu jangan mencoba menyesuaikan model seperti ARIMA (2,1,2), karena hal ini cenderung menyebabkan overfitting. Dan isu-isu kuotom-faktorquot yang dibahas secara lebih rinci dalam catatan tentang struktur matematis model ARIMA. Implementasi Spreadsheet: Model ARIMA seperti yang dijelaskan di atas mudah diterapkan pada spreadsheet. Persamaan prediksi adalah persamaan linier yang mengacu pada nilai-nilai masa lalu dari rangkaian waktu asli dan nilai kesalahan masa lalu. Dengan demikian, Anda dapat membuat spreadsheet peramalan ARIMA dengan menyimpan data di kolom A, rumus peramalan pada kolom B, dan kesalahan (data minus prakiraan) di kolom C. Rumus peramalan pada sel biasa di kolom B hanya akan menjadi Sebuah ekspresi linier yang mengacu pada nilai-nilai pada deretan kolom A dan C sebelumnya, dikalikan dengan koefisien AR atau MA yang sesuai yang disimpan di sel di tempat lain pada spreadsheet.